一种可解释的机器学习方法，用于识别中国南方人群中腹部肥胖患者的关键致动脉粥样硬化脂质生物标志物

《Lipids in Health and Disease》：An explainable machine learning method for identifying key atherogenic lipid biomarkers in abdominal obesity among the Southern Chinese population

　　

摘要

背景

腹部肥胖（AO）显著增加了心血管代谢疾病的风险，对公共卫生构成了日益严重的挑战。复合脂质指数已被提出作为动脉粥样硬化性血脂异常的简单指标，但它们在人群层面识别AO的相对重要性仍不完全清楚。本研究旨在评估各种动脉粥样硬化性脂质指数与AO之间的关联，并通过可解释的机器学习方法确定关键的脂质相关预测因子。

方法

这项横断面研究分析了来自中国广东省的一项基于人群的调查中的5,612名成年人。动脉粥样硬化性脂质指数包括血浆动脉粥样硬化指数（AIP）、非高密度脂蛋白胆固醇（non-HDL-C）、动脉粥样硬化系数（AC）、Castelli风险指数I和II（CRI-I和CRI-II）、脂质复合指数（LCI）以及甘油三酯与高密度脂蛋白胆固醇比值（TG/HDL-C）。在机器学习建模之前，使用Boruta方法和最小绝对值收缩选择算法（LASSO）进行了特征选择。模型性能通过接收者操作特征曲线下面积（AUC）、准确率和F1分数进行评估。同时应用了Shapley加性解释（SHAP）分析来量化特征的重要性。

结果

患有AO的个体通常年龄较大，受教育程度较低，体力活动较少，伴有更多心血管代谢并发症，并且代谢状况较差。特征选择确定了15个关键预测因子。逻辑回归模型表现出最稳定的性能（训练AUC：0.767；测试AUC：0.768；准确率：0.712；F1分数：0.667），具有良好的校准能力和临床实用性。SHAP分析一致认为AIP、性别、CRI-II、尿酸和舒张压是影响AO的最重要预测因子。

结论

复合脂质指数，特别是AIP和CRI-II，与AO有很强的关联，可以作为识别代谢风险升高个体的实用指标。由于这些指数来源于常规测量的脂质参数，它们可能支持在临床和社区健康环境中进行可扩展的代谢风险筛查和监测。